一种新型广义RBF神经网络在混沌时间序列预测中的研究

提出了一种新颖的广义径向基函数神经网络模型,其径向基函数(RBF)的形式由生成函数确定.然后,给出了易实现的梯度学习算法,同时为了进一步提高网络的收敛速度和网络性能,又给出了基于卡尔曼滤波的动态学习算法.为了验证网络的学习性能，采用基于卡尔曼滤波算法的新型广义RBF网络预测模型对Mackey-Glass混沌时间序列和Henon映射进行了仿真.结果表明,所提出的新型广义RBF神经网络模型能快速、精确地预测混沌时间序列,是研究复杂非线性动力系统辨识和控制的一种有效方法. 关键词： 广义径向基函数神经网络 卡尔曼滤波 梯度下降学习算法 混沌时间序列 预测     

基于混合神经网络和注意力机制的混沌时间序列预测

为提高混沌时间序列的预测精度,提出一种基于混合神经网络和注意力机制的预测模型(Att-CNNLSTM),首先对混沌时间序列进行相空间重构和数据归一化,然后利用卷积神经网络(CNN)对时间序列的重构相空间进行空间特征提取,再将CNN提取的特征和原时间序列组合,用长短期记忆网络(LSTM)根据空间特征提取时间特征,最后通过注意力机制捕获时间序列的关键时空特征,给出最终预测结果.将该模型对Logistic,Lorenz和太阳黑子混沌时间序列进行预测实验,并与未引入注意力机制的CNN-LSTM模型、单一的CNN和LSTM网络模型、以及传统的机器学习算法最小二乘支持向量机(LSSVM)的预测性能进行比较.实验结果显示本文提出的预测模型预测误差低于其他模型,预测精度更高.     

基于一种新型聚类算法的RBF神经网络混沌时间序列预测

运用两阶段学习方法构建径向基函数(RBF)神经网络模型预测混沌时间序列.在利用非监督学习算法确定网络隐层中心时,提出了一种基于高斯基的距离度量,并联合输入输出聚类的策略.基于Fisher可分离率设计高斯基距离度量中的惩罚因子,可以提高聚类的性能.而输入输出聚类策略的引入,建立了聚类性能与网络预测性能之间的联系.因此,根据本文方法构建的网络模型,一方面可以加快网络训练的速度,另一方面可以提高预测性能.将该方法对Mackey-Glass, Lorenz和Logistic混沌时间序列进行了预测仿真研究,仿真结果表明了该方法的有效性. 关键词： 混沌时间序列 预测 径向基神经网络 聚类     

基于Cholesky分解的增量式RELM及其在时间序列预测中的应用

针对应用于混沌时间序列预测的正则极端学习机(RELM)网络结构设计问题,提出一种基于Cholesky分解的增量式RELM训练算法.该算法通过逐次增加隐层神经元的方式自动确定最佳的RELM网络结构,并以Cholesky分解方式计算其输出权值,有效减小了隐层神经元递增过程的计算代价.混沌时间序列预测实例表明,该算法可有效实现最佳RELM网络结构的自动确定,且计算效率高.利用该算法训练后的RELM预测模型具有预测精度高的优点,适用于混沌时间序列预测. 关键词： 神经网络 极端学习机 混沌时间序列 时间序列预测     

混沌时间序列的自适应高阶非线性滤波预测

根据混沌序列产生的确定性和非线性机制,基于Volterra级数展式和混沌序列高阶奇异谱特征,提出了一种高阶非线性傅里叶红外(HONFIR)滤波预测模型用于混沌时间序列的自适应预测.其自适应算法采用时域正交算法来自适应地跟踪混沌的运动轨迹,而不是重构混沌系统 的全局或局部运动轨迹.实验研究表明：(1)这种HONFIR自适应滤波器能够有效地预测一些超 混沌序列.(2)预测混沌序列的性能与预测模型的非线性拟合能力有关,但并非非线性程度越 高,预测性能就越好.(3)当HONFIR滤波器对混沌序列的非线性拟合精度高时,其自适应预测 的性能与其输入维数的关系不受Takens嵌入定理的约束.(4)HONFIR自适应滤波器具有一定的 抗噪能力. 关键词： 混沌 非线性模型 滤波器     

基于模糊边界模块化神经网络的混沌时间序列预测

提出一种模糊边界模块化神经网络（FBMNN）的混沌时间序列预测方法,该方法先对混沌时间序列观测点重构的相空间进行模块化划分,划分点的选取由遗传算法自动寻优.然后定义一个模糊隶属度函数,在划分边界一侧按照一定的模糊隶属度设定模糊边界带,通过模糊化处理,解决了各模块划分点附近预测结果的跳跃问题.最后每一模块,及其模糊边界的样本点都对应一个递归神经网络进行训练,通过预测合成模块输出结果.该方法对三个混沌时间序列基准数据集Mackey-Glass,Lorenz,Henon进行实验,结果表明该方法有效地提高了混沌时间序列预测效果. 关键词： 模糊边界 模块化神经网络 混沌时间序列 预测     

混沌背景中信号参数估计的新方法

怎样提取混沌背景中信号的参数具有重要意义.在重构的相空间中,叠加有其他信号的混沌信号时间序列重构的点集会偏离混沌吸引子所在光滑流形,依据这一性质并综合利用混沌背景中信号本身的特性,提出一种参数估计的新方法：最小相对奇异值(MRSV)法.该方法先建立逆滤波器,由其输出重构相空间,然后改变其参数,使输出信号在嵌入空间中作局部奇异值分解的相对奇异值最小,来实现参数估计.AR模型参数和正弦信号频率估计的仿真结果验证了该方法的有效性. 关键词： 混沌 参数估计 最小相对奇异值(MRSV) 逆滤波器     

一种预测混沌时间序列的模糊神经网络方法

给出了一种预测混沌时间序列的模糊神经网络及其学习方法，给出的方法能直接从数据中提取模糊规则，经过优化得到最佳模糊规则库，并利用神经网络的自学习功能修改隶属函数的参数和网络的权值，减少了规则的匹配过程，加快了推理速度，增强了网络的自适应能力. 使用该神经网络及其学习方法对Lorenz混沌时间序列进行了预测仿真研究，试验结果表明给出的预测工具和方法是有效的. 关键词： 模糊神经网络 模糊规则提取 混沌时间序列预测     

基于混沌理论和改进径向基函数神经网络的网络舆情预测方法

网络舆情发展趋势具有混沌系统的特征, 提出一种基于EMPSO-RBF神经网络的方法对网络舆情的发展趋势进行预测. 首先根据Lyapunov指数证明网络舆情具备混沌的特征, 然后对网络舆情时间序列数据进行相空间重构, 最后采用EMPSO-RBF方法进行预测, 并和其他模型进行对比试验, 实验结果表明EMPSO-RBF方法具有较高精确度.     

基于时间序列奇异谱特征的Φ-OTDR扰动检测方法

相敏光时域反射系统异常灵敏,对环境中声波、空气流动及瞬时高频噪音等干扰源同时敏感,环境干扰与入侵非线性混叠时,实际入侵检测与识别困难,容易频繁误报.本文提出一种基于时间序列奇异谱特征的扰动检测方法,对每个滑动时间窗内空间各点的纵向时间序列信号进行相空间重构,对重构后的相空间状态矩阵进行奇异值分解得到信号能量的奇异谱分布,然后将奇异谱特征向量输入后向传播神经网络进行扰动事件检测.实验结果表明,该方法能够有效排除声波及瞬时高频噪音等干扰信号的影响,在微风等有干扰的环境下,在14km处正确检测率为90%,误警率低于2%.     

基于长短时记忆神经网络的能谱核素识别方法

针对新兴的能谱核素识别方法在混合放射性核素的噪声环境中存在识别速度慢、准确率较低等问题,提出了基于长短时记忆神经网络(LSTM)的能谱核素识别方法。实验使用溴化镧(LaBr3)晶体探测器,分别对环境中60Co、137Cs放射性源分组测量得到能谱数据集,首先使用数据平滑方法和归一化方法进行数据预处理,然后将能谱数据按时间序列分组以获得可用的输入序列数组,最后训练LSTM模型得到预测结果。通过基于BP神经网络和卷积神经网络(CNN)的两个能谱识别模型进行对比,得到在测试集中平均识别率分别为83.45%和86.21%,而LSTM能谱识别模型平均识别率为93.04%,实验结果表明,该能谱模型在核素识别效果中表现较好,可用于快速的能谱核素识别设备上。     

基于BP神经网络的多传感器信息融合研究

BP网络是应用最广的一种人工神经网络,将BP神经网络应用到压力检测领域的温度等非线性补偿,具有重要的实用价值,对压力检测精度的改进效果显著。从传感器信息融合的角度看,神经网络就是一个融合系统。通过对神经网络基本理论的阐述,针对研究对象将BP神经网络原理与多传感器信息融合技术有机集合起来,提出了基于BP神经网络的二传感器信息融合模型及改进算法,建立了BP神经网络训练标准样本库,并对该网络模型进行主要技术指标的测试和仿真工作,测试结果表明构建的模型及其改进算法能很好地满足了高精度压力检测仪的指标要求。     

基于LM-BP神经网络的气阀故障诊断方法

提出一种基于LM（Levenberg-Marquardt）算法优化的 BP (Back Propagation)神经网络的多级往复式压缩机压缩机气阀故障诊断方法。以6M25-185/314氢氮气压缩机的 6级压差和6级温差作为网络的输入向量,建立可对往复式压缩机一至六级气阀故障进行在线监测及故障诊断的LM-BP神经网络模型。以100组故障数据作为网络训练样本,30组数据作为网络检测样本进行故障诊断,结果表明,LM-BP神经网络相比于变梯度BP神经网络和RBF神经网络诊断更快速稳定且准确率达到96%以上。利用Matlab软件平台建立的LM-BP 神经网络故障诊断模型,模型简单便于在工程实际中应用。     

基于SARIMA-BP神经网络组合方法的MODIS叶面积指数时间序列建模与预测

植被叶面积指数(LAI)时间序列的建模及预测是陆面过程模型和遥感数据同化方法的重要组成部分。MODIS数据产品MOD15A2是目前应用最为广泛的LAI数据源之一,然而MODIS LAI时间序列产品包含了一些低质量的数据,例如由于云层、气溶胶等的影响,该产品在时间和空间上缺乏连续性。MODIS LAI时间序列包含线性部分和外在干扰产生的非线性部分,单一的线性方法或非线性方法都不能对其精确建模和预测。首先利用Savitzky-Golay(SG)滤波和线性插值平滑受到干扰的LAI时间序列,然后采用季节自回归积分滑动平均(SARIMA)方法、BP神经网络方法及二者的组合方法(SARIMA-BP)对MODIS LAI时间序列进行建模及预测。在SARIMA-BP神经网络组合方法中,各自在线性与非线性建模的优势得以充分发挥,其中SARIMA方法用于建模及预测LAI时间序列中的线性部分,BP神经网络方法用于对非线性残差部分进行建模及预测。实验结果显示：SG滤波和线性插值后的LAI时间序列比原LAI时间序列更平滑;SARIMA-BP神经网络组合方法的决定系数为0.981,比SARIMA和BP神经网络的0.941和0.884更接近于1;SARIMA-BP神经网络组合方法的预测值同观测值之间的相关系数为0.991,高于SARIMA(0.971)和BP神经网络(0.942)的相关系数。由此得出结论：SARIMA-BP神经网络组合方法对MODIS LAI时间序列具有更好的适应性,其建模和预测准确性高于SARIMA方法或BP神经网络方法。     

基于BP神经网络的车牌字符识别算法研究

车牌字符识别是车牌识别系统中的关键环节。采用图像处理和神经网络相结合的方法设计新的车牌字符识别算法,先对分割出的车牌字符进行归一化处理,然后进行SOBEI．边缘检测和角点特征提取,最后输入BP神经网络进行训练、识别,其中BP神经网络模型属于改进型神经网络。通过一系列神经网络训练和仿真实验,车牌识别速度和正确率得到了明显的提高。     

基于新型光谱相似度量核的高光谱异常检测算法

提出一种新型光谱相似度量核函数,并应用于高光谱异常检测.由于高斯径向基核函数是基于光谱向量间欧式距离的度量,其对于光谱向量间距离变化的适应性较强,而对于因光照强度变化,阴影和遮挡等引起的同种地物光谱变化的适应性较弱,使得基于高斯径向基核的高光谱异常检测算法性能下降.为解决该问题,从光谱曲线形状描述出发,基于光谱相似度量提出了光谱相似度量核函数.通过理论分析和真实高光谱数据异常检测实验检验,实验结果说明相对于高斯径向基核函数,光谱相似度量核函数具有一定的优越性,能改善基于核方法的高光谱异常检测算法的性能.     

基于L-M算法的反向传播网络的湿度传感器输出误差补偿研究

针对湿度传感器的输出非线性问题,提出了基于L-M算法建立BP神经网络进行补偿校正,实现电阻湿度传感器的输入与输出非线性补偿,并与共轭梯度算法、拟牛顿算法所建立的神经网路模型进行对比,重点比较了模型误差性能、收敛速度。结果表明：基于L-M算法建立的神经网络模型,在收敛速度、误差性能等方面具有更高效的表现,更适合湿度传感器的非线性特性的补偿校正。     

Neural-based pile-up correction and ballistic deficit correction of X-ray semiconductor detectors using the Monte Carlo simulation and the Ramo theorem

Pile-up distortion is a common problem in many nuclear radiation detection systems, especially in high count rates. It can be solved by hardware-based pile-up rejections, but there is no complete pile-up elimination in this way. Additionally, the methods can lead to poor quantitative results. Generally, time characteristics of semiconductor detector pulses are different from Scintillator detector pulses due to ballistic deficit. Hence, pulse processing-based pile-up correction in the detectors should consider this specification. In this paper, the artificial neural network pile-up correction method is applied for silicon detector piled-up pulses. For this purpose, the interaction of photons with a silicon detector is simulated by the MCNP4c code and the pulse current is calculated by Ramo's theorem. In this approach, we use a sub-Nyquist frequency sampling. The results show that the proposed method is reliable for pile-up correction and ballistic deficit in semiconductor detectors. The technique is remarkable for commercial considerations and high-speed, real-time calculations.     

基于新型光谱相似度量核的高光谱异常检测算法

提出一种新型光谱相似度量核函数,并应用于高光谱异常检测.由于高斯径向基核函数是基于光谱向量间欧式距离的度量,其对于光谱向量间距离变化的适应性较强,而对于因光照强度变化,阴影和遮挡等引起的同种地物光谱变化的适应性较弱,使得基于高斯径向基核的高光谱异常检测算法性能下降.为解决该问题,从光谱曲线形状描述出发,基于光谱相似度量提出了光谱相似度量核函数.通过理论分析和真实高光谱数据异常检测实验检验,实验结果说明相对于高斯径向基核函数,光谱相似度量核函数具有一定的优越性,能改善基于核方法的高光谱异常检测算法的性能.